待验证60% 置信基准精确时间
据Anthropic官方数据，在Claude Fable 5上测试“自我评估”系统时，识别出78%的潜在有害对话和94%被更强分类器标记的高优先级案例，误报率仅1%。
2
来源数
60%
置信度
中期 (~90 天)
时效性
2026/11/1
首次发现
有效期至：2027/1/30
来源
GPT-6.2与Gemini 4 Carbon集体泄露：AI巨头新一轮竞赛前瞻
bilibiliTHE_OREGANO2026/10/31
涉及实体
相关事实
待验证模型对虚假通知的可信度口头评分与实际行动之间存在严重脱节：模型在自己已评为不可信的情况下，仍发出有害工具调用，比例在27%到99%之间。73% 相似待验证使用 Ponytail 5 时带测试上线的高风险逻辑比例达 98%（不使用时为 68%），智能体自身测试捕获注入 bug 比例为 66%（不使用时为 46%）72% 相似待验证大学级别的证明题评分中，即便评测器手里拿着专家的评分标准，7个中有5个仍然把专家判定为失败的证明中38.0%到45.7%判成了通过，同时只误杀了5.0%到12.3%的正确证明。69% 相似待验证红队评估在五个核心模型上测试隐藏于案件事实中的对抗性指令，模型对这类指令的服从率高达73.3%–96.4%，远超裁决对法律依据替换的敏感度。68% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1124439API
curl https://kongchang.com/api/v1/knowledge/claims/1124439MCP
get_claim(id=1124439)